if (!require('ggplot2')) install.packages('ggplot2'); library('ggplot2')
if (!require('plotly')) install.packages('plotly'); library('plotly')
if (!require('tidyverse')) install.packages('tidyverse'); library('tidyverse')
if (!require('treemap')) install.packages('treemap'); library('treemap')
if (!require('scales')) install.packages('scales'); library('scales')
if(!require('Rmisc')) install.packages('Rmisc'); library('Rmisc')
if(!require('lessR')) install.packages('lessR'); library('lessR')
if(!require('xfun')) install.packages('xfun'); library('xfun')
if(!require('corrplot')) install.packages('corrplot'); library('corrplot')
if (!require('factoextra')) install.packages('factoextra'); library('factoextra')
if (!require('GGally')) install.packages('GGally'); library('GGally')
if (!require('dplyr')) install.packages('dplyr'); library('dplyr')Per la resolució d’aquesta pràctica utilitzarem el dataset Marketing Campaign de Kaggle, aquest conté 2.240 registres sobre l’impacte de les campanyes de marketing sobre cada client, amb la respectiva informació personal i de compres d’aquests. L’objectiu d’aquest conjunt de dades és aconseguir optimitzar les campanyes de marketing de cares al futur amb la missió de maximitzar-ne les conversions.
La forma més òptima de millorar el ratio de conversió de les campanyes seria tenir campanyes personalitzades per cada client, però com que pot ser complexe i molt costos ens haurem de centrar en el que vol la majoria, per tant en aquesta visualització ens centrarem en la següent pregunta:
Quin és el client ideal i quina és la seva campanya de marketing òptima?
Com he explicat al primer apartat, el joc de dades escollit és Marketing Campaign de Kaggle, a continuació el carreguem a la nostre pràctica:
marketing <- read.csv('marketing_campaign.csv', head = TRUE, sep=";")
str(marketing)## 'data.frame': 2240 obs. of 29 variables:
## $ ID : int 5524 2174 4141 6182 5324 7446 965 6177 4855 5899 ...
## $ Year_Birth : int 1957 1954 1965 1984 1981 1967 1971 1985 1974 1950 ...
## $ Education : chr "Graduation" "Graduation" "Graduation" "Graduation" ...
## $ Marital_Status : chr "Single" "Single" "Together" "Together" ...
## $ Income : int 58138 46344 71613 26646 58293 62513 55635 33454 30351 5648 ...
## $ Kidhome : int 0 1 0 1 1 0 0 1 1 1 ...
## $ Teenhome : int 0 1 0 0 0 1 1 0 0 1 ...
## $ Dt_Customer : chr "2012-09-04" "2014-03-08" "2013-08-21" "2014-02-10" ...
## $ Recency : int 58 38 26 26 94 16 34 32 19 68 ...
## $ MntWines : int 635 11 426 11 173 520 235 76 14 28 ...
## $ MntFruits : int 88 1 49 4 43 42 65 10 0 0 ...
## $ MntMeatProducts : int 546 6 127 20 118 98 164 56 24 6 ...
## $ MntFishProducts : int 172 2 111 10 46 0 50 3 3 1 ...
## $ MntSweetProducts : int 88 1 21 3 27 42 49 1 3 1 ...
## $ MntGoldProds : int 88 6 42 5 15 14 27 23 2 13 ...
## $ NumDealsPurchases : int 3 2 1 2 5 2 4 2 1 1 ...
## $ NumWebPurchases : int 8 1 8 2 5 6 7 4 3 1 ...
## $ NumCatalogPurchases: int 10 1 2 0 3 4 3 0 0 0 ...
## $ NumStorePurchases : int 4 2 10 4 6 10 7 4 2 0 ...
## $ NumWebVisitsMonth : int 7 5 4 6 5 6 6 8 9 20 ...
## $ AcceptedCmp3 : int 0 0 0 0 0 0 0 0 0 1 ...
## $ AcceptedCmp4 : int 0 0 0 0 0 0 0 0 0 0 ...
## $ AcceptedCmp5 : int 0 0 0 0 0 0 0 0 0 0 ...
## $ AcceptedCmp1 : int 0 0 0 0 0 0 0 0 0 0 ...
## $ AcceptedCmp2 : int 0 0 0 0 0 0 0 0 0 0 ...
## $ Complain : int 0 0 0 0 0 0 0 0 0 0 ...
## $ Z_CostContact : int 3 3 3 3 3 3 3 3 3 3 ...
## $ Z_Revenue : int 11 11 11 11 11 11 11 11 11 11 ...
## $ Response : int 1 0 0 0 0 0 0 0 1 0 ...Veiem com conté un bon volum de registres amb 2.240 observacions i una gran varietat d’informació amb 29 variables, procedim a explicar-les i dividir-les segons categòriques, binàries i numèriques:
A continuació estudiem possibles anomalies:
summary(marketing)## ID Year_Birth Education Marital_Status
## Min. : 0 Min. :1893 Length:2240 Length:2240
## 1st Qu.: 2828 1st Qu.:1959 Class :character Class :character
## Median : 5458 Median :1970 Mode :character Mode :character
## Mean : 5592 Mean :1969
## 3rd Qu.: 8428 3rd Qu.:1977
## Max. :11191 Max. :1996
##
## Income Kidhome Teenhome Dt_Customer
## Min. : 1730 Min. :0.0000 Min. :0.0000 Length:2240
## 1st Qu.: 35303 1st Qu.:0.0000 1st Qu.:0.0000 Class :character
## Median : 51382 Median :0.0000 Median :0.0000 Mode :character
## Mean : 52247 Mean :0.4442 Mean :0.5062
## 3rd Qu.: 68522 3rd Qu.:1.0000 3rd Qu.:1.0000
## Max. :666666 Max. :2.0000 Max. :2.0000
## NA's :24
## Recency MntWines MntFruits MntMeatProducts
## Min. : 0.00 Min. : 0.00 Min. : 0.0 Min. : 0.0
## 1st Qu.:24.00 1st Qu.: 23.75 1st Qu.: 1.0 1st Qu.: 16.0
## Median :49.00 Median : 173.50 Median : 8.0 Median : 67.0
## Mean :49.11 Mean : 303.94 Mean : 26.3 Mean : 166.9
## 3rd Qu.:74.00 3rd Qu.: 504.25 3rd Qu.: 33.0 3rd Qu.: 232.0
## Max. :99.00 Max. :1493.00 Max. :199.0 Max. :1725.0
##
## MntFishProducts MntSweetProducts MntGoldProds NumDealsPurchases
## Min. : 0.00 Min. : 0.00 Min. : 0.00 Min. : 0.000
## 1st Qu.: 3.00 1st Qu.: 1.00 1st Qu.: 9.00 1st Qu.: 1.000
## Median : 12.00 Median : 8.00 Median : 24.00 Median : 2.000
## Mean : 37.53 Mean : 27.06 Mean : 44.02 Mean : 2.325
## 3rd Qu.: 50.00 3rd Qu.: 33.00 3rd Qu.: 56.00 3rd Qu.: 3.000
## Max. :259.00 Max. :263.00 Max. :362.00 Max. :15.000
##
## NumWebPurchases NumCatalogPurchases NumStorePurchases NumWebVisitsMonth
## Min. : 0.000 Min. : 0.000 Min. : 0.00 Min. : 0.000
## 1st Qu.: 2.000 1st Qu.: 0.000 1st Qu.: 3.00 1st Qu.: 3.000
## Median : 4.000 Median : 2.000 Median : 5.00 Median : 6.000
## Mean : 4.085 Mean : 2.662 Mean : 5.79 Mean : 5.317
## 3rd Qu.: 6.000 3rd Qu.: 4.000 3rd Qu.: 8.00 3rd Qu.: 7.000
## Max. :27.000 Max. :28.000 Max. :13.00 Max. :20.000
##
## AcceptedCmp3 AcceptedCmp4 AcceptedCmp5 AcceptedCmp1
## Min. :0.00000 Min. :0.00000 Min. :0.00000 Min. :0.00000
## 1st Qu.:0.00000 1st Qu.:0.00000 1st Qu.:0.00000 1st Qu.:0.00000
## Median :0.00000 Median :0.00000 Median :0.00000 Median :0.00000
## Mean :0.07277 Mean :0.07455 Mean :0.07277 Mean :0.06429
## 3rd Qu.:0.00000 3rd Qu.:0.00000 3rd Qu.:0.00000 3rd Qu.:0.00000
## Max. :1.00000 Max. :1.00000 Max. :1.00000 Max. :1.00000
##
## AcceptedCmp2 Complain Z_CostContact Z_Revenue
## Min. :0.00000 Min. :0.000000 Min. :3 Min. :11
## 1st Qu.:0.00000 1st Qu.:0.000000 1st Qu.:3 1st Qu.:11
## Median :0.00000 Median :0.000000 Median :3 Median :11
## Mean :0.01339 Mean :0.009375 Mean :3 Mean :11
## 3rd Qu.:0.00000 3rd Qu.:0.000000 3rd Qu.:3 3rd Qu.:11
## Max. :1.00000 Max. :1.000000 Max. :3 Max. :11
##
## Response
## Min. :0.0000
## 1st Qu.:0.0000
## Median :0.0000
## Mean :0.1491
## 3rd Qu.:0.0000
## Max. :1.0000
## A simple vista ja veiem que hi han algunes dades extremes com el mínim Year_Birth i els màxims Income i NumWebPurchases entre d’altres. Solucionarem aquest problema més endavant.Ara estudiem els valors en blanc i nuls:
# Valors en blanc
colSums(marketing=="")## ID Year_Birth Education Marital_Status
## 0 0 0 0
## Income Kidhome Teenhome Dt_Customer
## NA 0 0 0
## Recency MntWines MntFruits MntMeatProducts
## 0 0 0 0
## MntFishProducts MntSweetProducts MntGoldProds NumDealsPurchases
## 0 0 0 0
## NumWebPurchases NumCatalogPurchases NumStorePurchases NumWebVisitsMonth
## 0 0 0 0
## AcceptedCmp3 AcceptedCmp4 AcceptedCmp5 AcceptedCmp1
## 0 0 0 0
## AcceptedCmp2 Complain Z_CostContact Z_Revenue
## 0 0 0 0
## Response
## 0# Valors nuls
colSums(is.na(marketing))## ID Year_Birth Education Marital_Status
## 0 0 0 0
## Income Kidhome Teenhome Dt_Customer
## 24 0 0 0
## Recency MntWines MntFruits MntMeatProducts
## 0 0 0 0
## MntFishProducts MntSweetProducts MntGoldProds NumDealsPurchases
## 0 0 0 0
## NumWebPurchases NumCatalogPurchases NumStorePurchases NumWebVisitsMonth
## 0 0 0 0
## AcceptedCmp3 AcceptedCmp4 AcceptedCmp5 AcceptedCmp1
## 0 0 0 0
## AcceptedCmp2 Complain Z_CostContact Z_Revenue
## 0 0 0 0
## Response
## 0Com podem veure no trobem valors en blanc, en canvi si que trobem alguns valors nuls en quant als ingressos dels clients (Income), entenc que això és degut a que és una dada molt sensible i no tots els clients deuen estar disposats a compartir-la. En resum, tot i aquesta petita quantitat de valors nuls el conjunt de dades ja està molt ben netejat. Simplement eliminem les dades amb valors nuls:
no_na_marketing <- na.omit(marketing)
colSums(is.na(no_na_marketing))## ID Year_Birth Education Marital_Status
## 0 0 0 0
## Income Kidhome Teenhome Dt_Customer
## 0 0 0 0
## Recency MntWines MntFruits MntMeatProducts
## 0 0 0 0
## MntFishProducts MntSweetProducts MntGoldProds NumDealsPurchases
## 0 0 0 0
## NumWebPurchases NumCatalogPurchases NumStorePurchases NumWebVisitsMonth
## 0 0 0 0
## AcceptedCmp3 AcceptedCmp4 AcceptedCmp5 AcceptedCmp1
## 0 0 0 0
## AcceptedCmp2 Complain Z_CostContact Z_Revenue
## 0 0 0 0
## Response
## 0Un cop hem eliminat les dade NA ens és més fàcil eliminar els outliers, per fer-ho utilitzarem el mètode IQR:
replace_outliers <- function(column) {
if (length(unique(column)) > 2 ) {
column_iqr <- IQR(column, na.rm = TRUE)
upper_bound <- quantile(column, 0.75, na.rm = TRUE) + 1.5 * column_iqr
lower_bound <- quantile(column, 0.25, na.rm = TRUE) - 1.5 * column_iqr
outliers <- column > upper_bound | column < lower_bound
column[outliers] <- median(column, na.rm = TRUE)
}
return(column)
}
numeric_columns <- sapply(no_na_marketing, is.numeric)
no_na_marketing[, numeric_columns] <- apply(no_na_marketing[, numeric_columns], 2, replace_outliers)
summary(no_na_marketing)## ID Year_Birth Education Marital_Status
## Min. : 0 Min. :1940 Length:2216 Length:2216
## 1st Qu.: 2815 1st Qu.:1959 Class :character Class :character
## Median : 5458 Median :1970 Mode :character Mode :character
## Mean : 5588 Mean :1969
## 3rd Qu.: 8422 3rd Qu.:1977
## Max. :11191 Max. :1996
## Income Kidhome Teenhome Dt_Customer
## Min. : 1730 Min. :0.0000 Min. :0.0000 Length:2216
## 1st Qu.: 35303 1st Qu.:0.0000 1st Qu.:0.0000 Class :character
## Median : 51377 Median :0.0000 Median :0.0000 Mode :character
## Mean : 51633 Mean :0.4418 Mean :0.5054
## 3rd Qu.: 68180 3rd Qu.:1.0000 3rd Qu.:1.0000
## Max. :113734 Max. :2.0000 Max. :2.0000
## Recency MntWines MntFruits MntMeatProducts
## Min. : 0.00 Min. : 0.0 Min. : 0.00 Min. : 0.0
## 1st Qu.:24.00 1st Qu.: 24.0 1st Qu.: 2.00 1st Qu.: 16.0
## Median :49.00 Median : 174.2 Median : 8.00 Median : 68.0
## Mean :49.01 Mean : 286.7 Mean :13.63 Mean :112.9
## 3rd Qu.:74.00 3rd Qu.: 482.0 3rd Qu.:18.00 3rd Qu.:153.0
## Max. :99.00 Max. :1224.0 Max. :79.00 Max. :555.0
## MntFishProducts MntSweetProducts MntGoldProds NumDealsPurchases
## Min. : 0.00 Min. : 0.00 Min. : 0.00 Min. :0.000
## 1st Qu.: 3.00 1st Qu.: 1.00 1st Qu.: 9.00 1st Qu.:1.000
## Median : 12.00 Median : 8.00 Median : 24.25 Median :2.000
## Mean : 21.32 Mean :13.85 Mean : 30.06 Mean :2.065
## 3rd Qu.: 28.00 3rd Qu.:18.00 3rd Qu.: 41.00 3rd Qu.:3.000
## Max. :120.00 Max. :81.00 Max. :126.00 Max. :6.000
## NumWebPurchases NumCatalogPurchases NumStorePurchases NumWebVisitsMonth
## Min. : 0.000 Min. : 0.00 Min. : 0.000 Min. : 0.000
## 1st Qu.: 2.000 1st Qu.: 0.00 1st Qu.: 3.000 1st Qu.: 3.000
## Median : 4.000 Median : 2.00 Median : 5.000 Median : 6.000
## Mean : 4.057 Mean : 2.55 Mean : 5.801 Mean : 5.276
## 3rd Qu.: 6.000 3rd Qu.: 4.00 3rd Qu.: 8.000 3rd Qu.: 7.000
## Max. :11.000 Max. :10.00 Max. :13.000 Max. :13.000
## AcceptedCmp3 AcceptedCmp4 AcceptedCmp5 AcceptedCmp1
## Min. :0.00000 Min. :0.00000 Min. :0.0000 Min. :0.00000
## 1st Qu.:0.00000 1st Qu.:0.00000 1st Qu.:0.0000 1st Qu.:0.00000
## Median :0.00000 Median :0.00000 Median :0.0000 Median :0.00000
## Mean :0.07356 Mean :0.07401 Mean :0.0731 Mean :0.06408
## 3rd Qu.:0.00000 3rd Qu.:0.00000 3rd Qu.:0.0000 3rd Qu.:0.00000
## Max. :1.00000 Max. :1.00000 Max. :1.0000 Max. :1.00000
## AcceptedCmp2 Complain Z_CostContact Z_Revenue
## Min. :0.00000 Min. :0.000000 Min. :3 Min. :11
## 1st Qu.:0.00000 1st Qu.:0.000000 1st Qu.:3 1st Qu.:11
## Median :0.00000 Median :0.000000 Median :3 Median :11
## Mean :0.01354 Mean :0.009477 Mean :3 Mean :11
## 3rd Qu.:0.00000 3rd Qu.:0.000000 3rd Qu.:3 3rd Qu.:11
## Max. :1.00000 Max. :1.000000 Max. :3 Max. :11
## Response
## Min. :0.0000
## 1st Qu.:0.0000
## Median :0.0000
## Mean :0.1503
## 3rd Qu.:0.0000
## Max. :1.0000Finalment mostrem l’histograma dels atributs més rellevants:
histList<- list()
n = c("Year_Birth", "Income", "Kidhome", "Teenhome", "Recency", "MntWines", "MntFruits", "MntMeatProducts", "MntFishProducts", "MntSweetProducts",
"NumWebPurchases", "NumStorePurchases")
marketingAux= no_na_marketing %>% select(all_of(n))
for(i in 1:ncol(marketingAux)){
col <- names(marketingAux)[i]
ggp <- ggplot(marketingAux, aes_string(x = col)) +
geom_histogram(bins = 30, fill = "cornflowerblue", color = "black")
histList[[i]] <- ggp
}
multiplot(plotlist = histList, cols = 3)
Un cop vistes les gràfiques m’ha sorprès veure que la compra de vi és la més recurrent, seguida d’aprop de la compra de carn i de lluny dels altres productes. Per altre banda veiem com el nombre de dies de l’última compra és bastant variat, les famílies solen tenir entre 0-1 nens o adolescents i el volum de compres està bastant igualat entre la botiga i la web.
A l’apartat anterior ja hem netejat les dades, per tant ja podriem dir que estan preparades per ser analitzades. No obstant com que només tenim 2 variables categòriques discretitzarem variables numèriques més per tenir més varietat. A més ajuntarem les variables Teenhome i Kidhome per crear una variable Children, les vendes totals dels productes i el nombre de compres global.
clean_marketing <- no_na_marketing
clean_marketing$Age <- cut(clean_marketing$Year_Birth, breaks = c(1940, 1958, 1978, 1998),
labels = c(">65", "45-65", "25-45"))
clean_marketing$Social_Class <- cut(clean_marketing$Income, breaks = c(0, 30000, 75000, 200000),
labels = c("Lower", "Middle", "Upper"))
clean_marketing$Children <- clean_marketing$Kidhome + clean_marketing$Teenhome
clean_marketing$MntTotal <- rowSums(clean_marketing[, 10:15], na.rm = TRUE)
clean_marketing$TotalPurchases <- rowSums(clean_marketing[, 16:20], na.rm = TRUE)A continuació mostrem els histogrames de les noves variables generades:
n = c("Age", "Social_Class")
par(mfrow = c(2, 3))
for (col in n) {
# Create a summary table of the factor levels
class_summary <- table(clean_marketing[[col]])
# Calculate percentages
class_percentages <- prop.table(class_summary) * 100
# Create a pie chart with percentages in labels
pie(class_summary,
labels = paste(names(class_summary), ": ", sprintf("%.1f%%", class_percentages)),
main = paste(col, " Distribution"),
cex = 0.8) # Adjust label font size if needed
}
histList<- list()
Un cop tenim les noves variables, estudiarem el consum dels clients segons el seu grup social, per començar veurem quin grup social gasta més individualment.
mean_plot <- clean_marketing %>%
group_by(Social_Class) %>%
dplyr::summarise(Mean_MntTotal = mean(MntTotal)) %>%
ggplot(aes(x = Social_Class, y = Mean_MntTotal, fill = Social_Class)) +
geom_bar(stat = "identity") +
theme_minimal() +
labs(title = "Mean MntTotal for each Social Class",
x = "Social Class",
y = "Mean MntTotal",
fill = "Social Class")
mean_plot %>%
ggplotly()Com podem veure un client de classe alta gasta més del doble que un client de classe mitja. Amb aquesta primera gràfica sembla que hauriem d’enfocar les nostres campanyes a aquests clients, però seria això el més òptim? Com que la mitja pot enganyar estudiem el volum total de diners gastats segons classe social.
total_plot <- clean_marketing %>%
group_by(Social_Class) %>%
dplyr::summarise(Total_MntTotal = sum(MntTotal)) %>%
ggplot(aes(x = Social_Class, y = Total_MntTotal, fill = Social_Class)) +
geom_bar(stat = "identity") +
theme_minimal() +
labs(title = "Total MntTotal for each Social Class",
x = "Social Class",
y = "Total MntTotal",
fill = "Social Class")
total_plot %>%
ggplotly()Amb la gràfica del total gastat veiem com la classe mitja gasta més del doble que la classe alta, per tant refutem la conclusió extreta a l’anterior gràfica i agafem la classe mitja com a client objectiu. Igualment, com que la classe alta ens genera aproximadament 1/3 dels ingressos totals seguirem estudiant aquest client també.
A continuació visualitzem un desglosament dels ingressos generats segons classe i tipus de producte.
clean_marketing_long <- clean_marketing %>%
gather(key = "Product", value = "MntProduct", MntWines:MntGoldProds) %>%
group_by(Social_Class, Product) %>%
dplyr::summarise(Total_MntProduct = sum(MntProduct))
clean_marketing_long <- clean_marketing_long %>% arrange(Social_Class)
clean_marketing_long$id <- seq(1, nrow(clean_marketing_long))
# Get the name and the y position of each label
label_data <- clean_marketing_long
number_of_bar <- nrow(label_data)
angle <- 90 - 360 * (label_data$id-0.5) /number_of_bar
label_data$hjust <- ifelse( angle < -90, 1, 0)
label_data$angle <- ifelse(angle < -90, angle+180, angle)
# Make the plot
p <- ggplot(clean_marketing_long, aes(x=as.factor(id), y=Total_MntProduct, fill=Social_Class)) +
geom_bar(stat="identity", alpha=0.5) +
scale_y_continuous(trans = sqrt_trans()) +
theme_minimal() +
theme(
axis.text = element_blank(),
axis.title = element_blank(),
panel.grid = element_blank()
) +
coord_polar() +
geom_text(data=label_data, aes(x=id, y=Total_MntProduct+10, label=Product, hjust=hjust), color="black", fontface="bold",alpha=0.6, size=2.5, angle= label_data$angle, inherit.aes = FALSE )
p
Detectem que els productes més comprats tant per la classe mitja com per la classe alta són els vins i les carns. També podem veure que per la classe baixa independentment del producte la quantitat d’ingressos que ens generen és molt baixa, per tant podem pendre la decisió de renunciar a fer campanyes de marketing destinades als clients de classe baixa ja que inclús en el cas més positiu de conversió de vendes no ens suposen uns grans ingressos.
Per tant, un cop tenim definits els dos grups socials als quals ens volem focalitzar (Middle i Upper) i els productes que volem publicitar (Wines i Meat) anem a veure quin dels grups socials accepten més campanyes publicitaries.
# Reshape the data
accepted_data <- clean_marketing %>%
gather(key = "Campaign", value = "Accepted", AcceptedCmp3:AcceptedCmp2, Response) %>%
group_by(Social_Class) %>%
dplyr::summarise(Total_Accepted = sum(Accepted))
# Filter out 'Lower' social class
accepted_data <- accepted_data %>%
filter(Social_Class != "Lower")
# Sum up the total accepted campaigns for 'Middle' and 'Upper' social classes
accepted_data <- accepted_data %>%
group_by(Social_Class) %>%
dplyr::summarise(Total_Accepted = sum(Total_Accepted))
# Create the pie chart
pie_chart <- ggplot(accepted_data, aes(x="", y=Total_Accepted, fill=Social_Class)) +
geom_bar(width = 1, stat = "identity") +
coord_polar("y", start=0) +
theme_void() +
labs(title = "Total Accepted Campaigns for Middle and Upper Social Classes")
print(pie_chart)
Sorprenentment la classe alta accepta casi tantes campanyes com la
classe mitja, donat que hi ha el doble de clients dins la classe mitja
és una dada molt a tenir en compte ja que a la classe alta amb la meitat
de campanyes aconseguim una conversió casi similar i amb l’afegit que
aquests es solen gastar el doble que la classe mitja.
Investiguem ara a quina fase han estat acceptades aquestes campanyes.
# Reshape the data
accepted_data <- clean_marketing %>%
gather(key = "Campaign", value = "Accepted", AcceptedCmp3:AcceptedCmp2, Response) %>%
group_by(Social_Class, Campaign) %>%
dplyr::summarise(Total_Accepted = sum(Accepted))
# Filter out 'Lower' social class
accepted_data <- accepted_data %>%
filter(Social_Class != "Lower")
# Create the treemap
treemap(accepted_data,
index = c("Social_Class", "Campaign"),
vSize = "Total_Accepted",
title = "When Are The Campaigns Accepted For Each Social Class")
De nou veiem com és molt més rentable fer campanyes per la classe alta que per la classe mitja, aquesta accepta una quantiat més elevada de campanyes durant les primeres fases fent així que sigui molt més econòmic.
Per veure més bé el que suposaria fer camapanyes per cadascuna de les classes anem a visualitzar el percentatge de conversió de les campanyes.
# Filter out 'Lower' social class
filtered_data <- clean_marketing %>%
filter(Social_Class != "Lower")
# Calculate the accepted percentage for each campaign and social class
accepted_data <- filtered_data %>%
gather(key = "Campaign", value = "Accepted", AcceptedCmp3:AcceptedCmp2, Response) %>%
group_by(Social_Class, Campaign) %>%
dplyr::summarise(Accepted_Percentage = mean(Accepted, na.rm = TRUE) * 100)
# Create the bar plot
bar_plot <- ggplot(accepted_data, aes(x=Social_Class, y=Accepted_Percentage, fill=Campaign)) +
geom_bar(stat="identity", position="dodge") +
theme_minimal() +
labs(x = "Social Class", y = "Accepted Percentage (%)", fill = "Campaign",
title = "Accepted Percentage for each Social Class and Campaign")
bar_plot %>%
ggplotly()Podem veure com la classe alta és molt més propensa a acceptar una campanya de marketing, inclús sorprenentment amb una acceptació del 28% en una primera fase.
Ara ja sabem que la nostre campanya de marketing haurà d’anar enfocada a la classe alta, ja que són els que més percentatge de campanyes accepten i els que més gasten. També sabem que haurà de ser sobre vins o carn, els productes més comprats per aquesta classe.
Un cop ja sabem el nostre client potencial investiguem en quin moment de l’any hem de llançar la campanya.
# Convert Dt_Customer to Date type and extract year and month
clean_marketing$Dt_Customer <- as.Date(clean_marketing$Dt_Customer)
clean_marketing$YearMonth <- format(clean_marketing$Dt_Customer, "%Y-%m")
# Calculate the total number of accepted campaigns for each social class per month
accepted_data <- clean_marketing %>%
mutate(Total_Accepted = AcceptedCmp1 + AcceptedCmp2 + AcceptedCmp3 + AcceptedCmp4 + AcceptedCmp5 + Response) %>%
group_by(YearMonth, Social_Class) %>%
dplyr::summarise(Total_Accepted = sum(Total_Accepted))
accepted_data <- accepted_data %>%
filter(Social_Class == "Upper")
# Create the line chart
line_chart <- ggplot(accepted_data, aes(x=YearMonth, y=Total_Accepted, group=1)) +
geom_line(color="darkgreen") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, vjust = 1, hjust = 1)) +
labs(x = "Month", y = "Total Number of Accepted Campaigns",
title = "Total Number of Accepted Campaigns for Upper Class")
line_chart%>%
ggplotly()Veiem com no segueix cap patró, el 2013-05 hi va haver una forta pujada de clients però no es va repetir al 2013-05 per tant considerem que s’ha donat per factors externs al nostre dataset. No definim cap mes en específic per llançar la campanya.
Per finalitzar el nostre estudi investiguem per quina vía compra més el nostre client òptim, per saber per on implementar aquesta campanya.
# Filter out 'Lower' social class
filtered_data <- clean_marketing %>%
filter(Social_Class == "Upper")
# Calculate the total purchase for each campaign and social class
accepted_data <- filtered_data %>%
gather(key = "Campaign", value = "Purchase", NumDealsPurchases:NumStorePurchases) %>%
group_by(Social_Class, Campaign) %>%
dplyr::summarise(Accepted_Total = sum(Purchase, na.rm = TRUE))
# Create the bar plot
bar_plot <- ggplot(accepted_data, aes(x=Campaign, y=Accepted_Total, fill=Campaign)) +
geom_bar(stat="identity", position="dodge") +
theme_minimal() +
labs(x = "Purchases", y = "Total Purchases", fill = "Campaign",
title = "Total Type Purchases per Upper Class")
bar_plot %>%
ggplotly()Veiem com el mètode de compra més escollit és la botiga, tot seguit del catàleg i la web, per tant aquesta campanya s’haurà de fer majoritariament per la web i promocionada també al catàleg i la web.
Com a conclusió d’aquest anàlisi podem dir que el nostre client òptim és de classe alta ja que gasta el doble que el de classe mitja i accepta la mateixa quantitat de campanyes tot i ser només la meitat de clients.
En quant a la campanya, podem dir que haurà de ser sobre vins i carn, en presencial a la botiga tot i que promocionada també al catàleg i per la web. Aquesta campanya es podrà fer en qualsevol moment ja que no hem aconseguit veure un patró temporal de vendes.